(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 112330588 A(43)申请公布日 2021.02.05
(21)申请号 202010786610.4(22)申请日 2020.08.07
(71)申请人 辽宁中新自动控制集团股份有限公
司
地址 114000 辽宁省鞍山市高新区科技路5
号(72)发明人 李小彤 巴青春 孙荻 王宇鹏 (74)专利代理机构 鞍山嘉讯科技专利事务所
(普通合伙) 21224
代理人 张群(51)Int.Cl.
G06T 7/00(2017.01)G06K 9/62(2006.01)G06N 7/00(2006.01)
权利要求书2页 说明书6页 附图1页
CN 112330588 A(54)发明名称
一种用于浮选泡沫图像分类方法(57)摘要
本发明提供一种用于浮选泡沫图像分类方法，包括：步骤1、浮选泡沫图像特征提取和数据处理；步骤2、根据训练集Xtrain及其对应的标签集C计算每个特征的权重；步骤3、利用步骤2中的权值构造出贝叶斯分类器；步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。在贝叶斯网络基础上，公开了一种平均单一依赖估计器与特征加权相结合的贝叶斯分类改进算法，改进现有的平均单一依赖估计器算法，提高了分类的准确率和模型稳定性，从而解决平均单一依赖估计器算法将多有特征对结果贡献看成一致的问题。
CN 112330588 A
权 利 要 求 书
1/2页
1.一种用于浮选泡沫图像分类方法，其特征在于，包括如下步骤：步骤1、浮选泡沫图像特征提取和数据处理；步骤1.1、首先对浮选泡沫图像进行特征提取，包括图像的泡沫面积，泡沫周长，圆形度，不变矩，灰度平均值，灰度方差，熵，能量，差异性，均质性，对比度；组成数据集X及其对应的图像标签集C；
数据集X样本数量为m，特征个数为n，Xi(i∈m)，
表示训练集中任意图像样本
表示第i个样本的第j个特征；标签集C的大小为m×1，被分为v个类别
{C1，C2，…，Cv}，v表示类别；步骤1.2、对步骤1.1中所提取的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度：
其中和
表示特征Xj中的最大值和最小值，k为该特征所要离散的份数；
然后，根据离散宽度重新计算特征值：
步骤1.3、对离散后的数据集X进行划分，分成训练集Xtrain和待分类样本集Xtest两个数
据集；训练样本Xtrain为大量能表达缺陷图像特征的数据；待分类样本集Xtest为需要进行分类判断的当前数据；训练集Xtrian中每个训练样本都具有类别；
步骤2、根据训练集Xtrain及其对应的标签集C，计算每个特征的权重：步骤2.1、设置特征权重wj＝0，(j＝1，2，3，…n)；步骤2.2、从训练集Xtrian中每次拿出一个特征所对应的列和标签集C，计算该特征与标签的信息量，其计算公式为：
xj表示第j个特征的样本，Xj表示特征j所包含的取值，xj∈Xj表示在训练集Xtrain中第j个特征取值为该特征所有可能取得的值；C∈v表示标签集C可以取值的类别种类；p(xj，C)表示xj和C分别取某一值时的概率：
其中
表示在训练集Xtrain上标签C和特征值xj同时出现的总数；
p(xj)表示xj取某一值时的概率：
2
CN 112330588 A
权 利 要 求 书
2/2页
p(C)表示C为某一类时的概率：
一次计算训练集Xtrain中每个特征j与标签集的信息量作为每个特征的权重，保存在wj中；
步骤2.3、特征权重wj归一化：扫描所有特征权重，计算归一化后的特征权重wj′：
其中max(wj)表示特征权重中最大值，min(wj)表示特征权重中最小值；步骤3、利用步骤2中的权值构造出贝叶斯分类器；步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。
2.根据权利要求1所述的一种用于浮选泡沫图像分类方法，其特征在于，所述的步骤3具体为：
将训练集Xtrain中每个特征作为其他特征的依赖特征，然后利用这些特征构造m个超父特征分类器，并将这些超父特征分类器集成起来；同时，为了避免每个超父特征对分类结果的贡献是相同的，我们将步骤2中计算的特征权重wj′对应添加到每个特征的超父特征分类器中，构造出如下对于待分类样本的分类器：
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率，计算时式为：
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的总数；
P(xj|xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率，计算式为：
其中
征值为xj的总数。
表示在训练集Xtrain上标签Cv和特征值xn同时出现的前提下，第j个特
3
CN 112330588 A
说 明 书
一种用于浮选泡沫图像分类方法
1/6页
技术领域
[0001]本发明涉及图像分类技术领域，特别涉及一种用于浮选泡沫图像分类方法。背景技术
[0002]泡沫浮选是一种广泛用于金属矿物分选的方法，其利用矿物表面物理化学性质来筛选精矿和尾矿。多数选矿厂仍依靠有经验的浮选工人通过肉眼观察泡沫特征来调节浮选过程加药量，该人工控制方式存在主观随意性和滞后性，不能对泡沫特征进行量化描述，无法实现对加药量的优化控制，造成浮选工况波动大、浮选生产指标不合格、浮选药剂消耗量大、选矿成本高。利用图像处理技术来代替传统目视的方法，可以较为准确和客观的评价浮选工况，为浮选加药提供更精确的指导。一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法(申请号：2014105273)，利用浮选泡沫的纹理信息和线性判别分类器，实现浮选过程工况的监控。
[0003]贝叶斯网络具有对概率预测和事件相关性有较好的表达能力，分类效率稳定，是一种处理不确定性因素时知识表示的技术。基于合理的概率知识，变量关系以图形展示，提供结果与变量之间关系的解释性表示，被广泛应用在图像分类中。朴素贝叶斯定理假设一个属性值对给定类的影响于其它属性的值，但是此假设在实际情况中通常是不成立的，进而影响分类准确率。平均单一依赖估计器(Aggregating One-Dependence Estimators,AODE)算法是一种放松朴素贝叶斯网络假设条件得到的一种贝叶斯方法，AODE将每个属性作为其他特征的父属性，并且将这些弱分类器集成起来。但AODE将所有的特征属性对分类的贡献程度看成是相等的，在处理一些实际问题时，这样会极大地它分类的正确率。
发明内容
[0004]为了解决背景技术提出的技术问题，本发明提供一种用于浮选泡沫图像分类方法，在贝叶斯网络基础上，公开了一种平均单一依赖估计器与特征加权相结合的贝叶斯分类改进算法，改进现有的平均单一依赖估计器算法，提高了分类的准确率和模型稳定性，从而解决平均单一依赖估计器算法将多有特征对结果贡献看成一致的问题。[0005]为了达到上述目的，本发明采用以下技术方案实现：[0006]一种用于浮选泡沫图像分类方法，包括如下步骤：[0007]步骤1、浮选泡沫图像特征提取和数据处理；[0008]步骤1.1、首先对浮选泡沫图像进行特征提取，包括图像的泡沫面积，泡沫周长，圆形度，不变矩，灰度平均值，灰度方差，熵，能量，差异性，均质性，对比度；组成数据集X及其对应的图像标签集C；
[0009]
数据集X样本数量为m，特征个数为n，表示训练集中任意图
像样本Xi(i∈m)，表示第i个样本的第j个特征；标签集C的大小为m×1，被分为v个
4
CN 112330588 A
说 明 书
2/6页
类别{C1，C2，…，Cv}，v表示类别；[0010]步骤1.2、对步骤1.1中所提取的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度：
[0011][0012][0013]
其中和
表示特征Xj中的最大值和最小值，k为该特征所要离散的份数；
然后，根据离散宽度重新计算特征值：
[0014]
[0015]
步骤1.3、对离散后的数据集X进行划分，分成训练集Xtrain和待分类样本集Xtest两
个数据集；训练样本Xtrain为大量能表达缺陷图像特征的数据；待分类样本集Xtest为需要进行分类判断的当前数据；训练集Xtrian中每个训练样本都具有类别；[0016]步骤2、根据训练集Xtrain及其对应的标签集C，计算每个特征的权重：[0017]步骤2.1、设置特征权重wj＝0，(j＝1，2，3，…n)；[0018]步骤2.2、从训练集Xtrian中每次拿出一个特征所对应的列和标签集C，计算该特征与标签的信息量，其计算公式为：
[0019][0020]
xj表示第j个特征的样本，Xj表示特征j所包含的取值，xj∈Xj表示在训练集Xtrain中第j个特征取值为该特征所有可能取得的值；C∈v表示标签集C可以取值的类别种类；p(xj，C)表示xj和C分别取某一值时的概率：
[0021][0022][0023][0024][0025][0026][0027]
其中
表示在训练集Xtrain上标签C和特征值xj同时出现的总数；
p(xj)表示xj取某一值时的概率：
p(C)表示C为某一类时的概率：
一次计算训练集Xtrain中每个特征j与标签集的信息量作为每个特征的权重，保存步骤2.3、特征权重wj归一化：扫描所有特征权重，计算归一化后的特征权重wj′：
在wj中；
[0028]
5
CN 112330588 A
说 明 书
3/6页
[0029]
其中max(wj)表示特征权重中最大值，min(wj)表示特征权重中最小值；
[0031]步骤3、利用步骤2中的权值构造出贝叶斯分类器；[0032]步骤4、利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。[0033]进一步地，所述的步骤3具体为：
[0034]将训练集Xtrain中每个特征作为其他特征的依赖特征，然后利用这些特征构造m个超父特征分类器，并将这些超父特征分类器集成起来；同时，为了避免每个超父特征对分类结果的贡献是相同的，我们将步骤2中计算的特征权重wj′对应添加到每个特征的超父特征分类器中，构造出如下对于待分类样本的分类器：
[0030][0035][0036]
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率，计算时式为：
[0037][0038][0039]
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的总数；
P(xj|xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提
下，第j个特征出现的概率，计算式为：
[0040][0041]
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的前提下，第j
个特征值为xj的总数。
[0042]与现有技术相比，本发明的有益效果是：
[0043]本发明提供的平均的单一依赖估计器与属性加权相结合的贝叶斯分类改进算法，有效地改进现有的贝叶斯算法，分类准确率高，有效提高计算效率，提高了分类的准确率和模型稳定性，解决平均单一依赖估计器算法将多有特征对结果贡献看成一致的问题。附图说明
[0044]图1为本发明的一种用于浮选过程泡沫图像分类方法的流程图。具体实施方式
[0045]以下结合附图对本发明提供的具体实施方式进行详细说明。
6
CN 112330588 A[0046]
说 明 书
4/6页
如图1所示，本发明提供的用于浮选过程泡沫图像分类方法，具体包括如下步骤：
[0047]步骤1，浮选泡沫图像特征提取和数据处理。[0048]步骤1.1，首先对浮选泡沫图像进行特征提取，包括图像的泡沫面积，泡沫周长，圆形度，不变矩，灰度平均值，灰度方差，熵，能量，差异性，均质性，对比度。组成数据集X及其对应的图像标签集C。
[0049]
数据集X样本数量为m，特征个数为n，表示训练集中任意图
像样本Xi(i∈m)，表示第i个样本的第j个特征；标签集C的大小为m×1，被分为v个
类别{C1，C2，…，Cv}，v表示类别。
[0050]步骤1.2，对步骤1.1中所提取的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度：
[0051][0052][0053]
其中和
表示特征Xj中的最大值和最小值，k为该特征所要离散的份数。
然后，根据离散宽度重新计算特征值：
[0054]
[0055]
步骤1.3，对离散后的数据集X进行划分，分成训练集Xtrain和待分类样本集Xtest两
个数据集。训练样本Xtrain为大量能表达缺陷图像特征的数据。待分类样本集Xtest为需要进行分类判断的当前数据。训练集Xtrian中每个训练样本都具有类别。[0056]步骤2，根据训练集Xtrain及其对应的标签集C，计算每个特征的权重：[0057]步骤2.1，设置特征权重wj＝0，(j＝1，2，3，…n)；[0058]步骤2.2，从训练集Xtrian中每次拿出一个特征所对应的列和标签集C，计算该特征与标签的信息量，其计算公式为：
[0059][0060]
xj表示第j个特征的样本，Xj表示特征j所包含的取值，xj∈Xj表示在训练集Xtrain中第j个特征取值为该特征所有可能取得的值；C∈v表示标签集C可以取值的类别种类；p(xj，C)表示xj和C分别取某一值时的概率：
[0061][0062][0063]
其中
表示在训练集Xtrain上标签C和特征值xj同时出现的总数；
p(xj)表示xj取某一值时的概率：
7
CN 112330588 A[00][0065][0066][0067]
说 明 书
5/6页
p(C)表示C为某一类时的概率：
一次计算训练集Xtrain中每个特征j与标签集的信息量作为每个特征的权重，保存步骤2.3，特征权重wj归一化：扫描所有特征权重，计算归一化后的特征权重wj′：
在wj中。
[0068][0069]
其中max(wj)表示特征权重中最大值，min(wj)表示特征权重中最小值。
[0071]步骤3，利用步骤2中的权值构造出贝叶斯分类器：
[0072]将训练集Xtrain中每个特征作为其他特征的依赖特征，然后利用这些特征构造m个超父特征分类器，并将这些超父特征分类器集成起来。同时，为了避免每个超父特征对分类结果的贡献是相同的，我们将步骤2中计算的特征权重wj′对应添加到每个特征的超父特征分类器中，构造出如下对于待分类样本的分类器：
[0073][0074]
[0070]
其中，C(X)表示待分类样本集Xtest中的一个待分类样本X根据分类器得出分类标签；P(xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的概率，计算时式为：
[0075][0076][0077]
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的总数；
P(xj|xn，Cv)表示在训练集Xtrain中标签Cv和待分类样本X第n个特征值出现的前提
下，第j个特征出现的概率，计算式为：
[0078][0079]
其中
表示在训练集Xtrain上标签Cv和特征值xn同时出现的前提下，第j
个特征值为xj的总数；[0080]步骤4，利用步骤3中构造的分类器对待分类样本进行分类，将待分类样本作为输入参数，利用分类器进行计算，计算出这样一个类别，使得分类器得出的值最大，那么该特征组就属于这个类别。[0081]例如有四种浮选泡沫类型，分别为a类泡沫，b类泡沫，c类泡沫和d类泡沫，分别表示标签集中的{C1，C2，C3，C4}，扫描待分类样本X的每个特征，计算待分类样本X在每种缺陷下的概率：
8
CN 112330588 A
说 明 书
6/6页
[0082]
[0083]
[0084]
[0085]
选择C(X)最大的结果作为该待分类样本X的最终标签，判断浮选后的泡沫大小。根
据浮选泡沫的类型来判断目前选矿工况。
[0087]以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
[0086]
9
CN 112330588 A
说 明 书 附 图
1/1页
图1
10
